[發(fā)明專(zhuān)利]稀少內(nèi)容的分級(jí)深度學(xué)習(xí)模型檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010933073.1
• 申請(qǐng)日: 2020-09-08
• 公開(kāi)（公告）號(hào): CN112183754A
• 公開(kāi)（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 馮健明;唐會(huì)軍;劉拴林;梁堃;陳建
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京數(shù)美時(shí)代科技有限公司
• 主分類(lèi)號(hào): G06N5/04
• 分類(lèi)號(hào): G06N5/04;G06N20/00
• 代理公司: 北京輕創(chuàng)知識(shí)產(chǎn)權(quán)代理有限公司 11212
• 代理人: 趙秀斌

本發(fā)明公開(kāi)了一種稀少內(nèi)容的分級(jí)深度學(xué)習(xí)模型檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備。其中，所述方法包括：采用分級(jí)深度學(xué)習(xí)模型方式，將推理模型配置為初篩模型和決策模型，其中，該初篩模型為滿(mǎn)足預(yù)設(shè)性能閾值的模型，該決策模型為滿(mǎn)足預(yù)設(shè)指標(biāo)閾值的模型，和調(diào)節(jié)該初篩模型的初篩閾值為第一閾值，根據(jù)該第一閾值，從稀少內(nèi)容中篩選出正常內(nèi)容，以及調(diào)整該決策模型的決策閾值為第二閾值，根據(jù)該第二閾值，從該經(jīng)篩選出正常內(nèi)容后的稀少內(nèi)容中決策出正常內(nèi)容；其中，該第二閾值小于該第一閾值。通過(guò)上述方式，能夠?qū)崿F(xiàn)在維持足夠的推理性能指標(biāo)的同時(shí)，能夠減少做推理計(jì)算所需的計(jì)算資源，降低機(jī)器成本。

技術(shù)領(lǐng)域

本發(fā)明涉及稀少內(nèi)容技術(shù)領(lǐng)域，尤其涉及一種稀少內(nèi)容的分級(jí)深度學(xué)習(xí)模型檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備。

背景技術(shù)

在模型檢測(cè)領(lǐng)域，目前使用深度學(xué)習(xí)技術(shù)已經(jīng)能把識(shí)別精度提升到超越人類(lèi)的水平。得益于GPU(Graphics Processing Unit，圖形處理器)的高速發(fā)展，通過(guò)分布式大規(guī)模訓(xùn)練已經(jīng)能把模型訓(xùn)練時(shí)間的數(shù)量級(jí)從月甚至年縮小到天。

一旦模型訓(xùn)練完成就要做推理部署，工業(yè)化的推理通常需要具備延時(shí)低，并發(fā)量高的需求，為了維持足夠的推理性能指標(biāo)，通常需要大量的計(jì)算資源做推理計(jì)算，機(jī)器成本占了大部分的服務(wù)成本。

與訓(xùn)練樣本分布不同，真實(shí)世界中大部分場(chǎng)景面臨著的問(wèn)題通常是類(lèi)別不均衡問(wèn)題，通常某些類(lèi)別占了整體數(shù)據(jù)的絕大部分，這部分則是稀少內(nèi)容。

然而，現(xiàn)有的稀少內(nèi)容的檢測(cè)方案，由于真實(shí)數(shù)據(jù)中正常內(nèi)容占絕大部分，稀少內(nèi)容占比很少，為了維持足夠的推理性能指標(biāo)，通常需要大量的計(jì)算資源做推理計(jì)算，機(jī)器成本占了大部分的服務(wù)成本。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提出一種稀少內(nèi)容的分級(jí)深度學(xué)習(xí)模型檢測(cè)方法、裝置、計(jì)算機(jī)設(shè)備，能夠?qū)崿F(xiàn)在維持足夠的推理性能指標(biāo)的同時(shí)，能夠減少做推理計(jì)算所需的計(jì)算資源，降低機(jī)器成本。

根據(jù)本發(fā)明的一個(gè)方面，提供一種稀少內(nèi)容的分級(jí)深度學(xué)習(xí)模型檢測(cè)方法，包括：采用分級(jí)深度學(xué)習(xí)模型方式，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿(mǎn)足預(yù)設(shè)性能閾值的模型，所述決策模型為滿(mǎn)足預(yù)設(shè)指標(biāo)閾值的模型；調(diào)節(jié)所述初篩模型的初篩閾值為第一閾值，根據(jù)所述第一閾值，從稀少內(nèi)容中篩選出正常內(nèi)容；調(diào)整所述決策模型的決策閾值為第二閾值，根據(jù)所述第二閾值，從所述經(jīng)篩選出正常內(nèi)容后的稀少內(nèi)容中決策出正常內(nèi)容；其中，所述第二閾值小于所述第一閾值。

其中，所述采用分級(jí)深度學(xué)習(xí)模型方式，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿(mǎn)足預(yù)設(shè)性能閾值的模型，所述決策模型為滿(mǎn)足預(yù)設(shè)指標(biāo)閾值的模型，包括：采用分級(jí)深度學(xué)習(xí)模型方式，根據(jù)推理模型的性能數(shù)據(jù)和指標(biāo)數(shù)據(jù)，將推理模型配置為初篩模型和決策模型；其中，所述初篩模型為滿(mǎn)足預(yù)設(shè)性能閾值的模型，所述決策模型為滿(mǎn)足預(yù)設(shè)指標(biāo)閾值的模型。

其中，所述調(diào)節(jié)所述初篩模型的初篩閾值為第一閾值，根據(jù)所述第一閾值，從稀少內(nèi)容中篩選出正常內(nèi)容，包括：調(diào)節(jié)所述初篩模型的初篩閾值為第一閾值，獲取稀少內(nèi)容中所有內(nèi)容數(shù)據(jù)的正常置信度，從所述稀少內(nèi)容中篩選出正常置信度高于所述第一閾值的內(nèi)容數(shù)據(jù)為正常內(nèi)容。

其中，所述調(diào)整所述決策模型的決策閾值為第二閾值，根據(jù)所述第一閾值，從所述經(jīng)篩選出正常內(nèi)容后的稀少內(nèi)容中決策出正常內(nèi)容；其中，所述第二閾值小于所述第一閾值，包括：調(diào)整所述決策模型的決策閾值為第二閾值，從所述經(jīng)篩選出正常內(nèi)容后的稀少內(nèi)容中決策出正常置信度高于所述第二閾值的內(nèi)容數(shù)據(jù)為正常內(nèi)容。

其中，在所述調(diào)整所述決策模型的決策閾值為第二閾值，根據(jù)所述第二閾值，從所述經(jīng)篩選出正常內(nèi)容后的稀少內(nèi)容中決策出正常內(nèi)容；其中，所述第二閾值小于所述第一閾值之后，還包括：根據(jù)所述篩選出的正常內(nèi)容和所述決策出的正常內(nèi)容，對(duì)所述分級(jí)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練。